也有不同的摩尔定律。可能每N个⽉，模型的参数数量翻⼀倍，那N个⽉后模型算⼒也要翻⼀倍，每N 个⽉你的能实现可⽤的这个场景数量，它应该翻⼀倍。 我们认为其实现在最关键的其实应该是这个定律，这是通往AGI⾮常必要的路。它不应该是⼀个线性的 增⻓，它应该是⼀个指数的增⻓。 它不应该是蛮⼒的⽤传统的AI⽅式实现，⽐如以前传统的AI系统，⼤家会做的事情就是把这个系统拆解 成很多个⼩问题，⽐如1万个AI问题，每个AI问题是单独去收集数据。但这个是不可规模化的，很难实 作为 驱动，天⽣就具有
super
app
的基因。
杨植麟：总结得特别好，补充⼀点就是，即使技术上很通⽤，肯定也是要从⼀部分的场景开始，然后 去不断的泛化，⽽且泛化的速度可能是指数级⽽不是线性的。 张鹏：今天很流⾏聊AI
Native
的概念，但是好像没有特别精准的定义。以前我们开发产品，⼀般是有 明确的⽬标下，产品经理、前端、后端彼此配合，按照周期去迭代交付，观察⽤⼾数据进⾏
A/B
更多的数据、更多的参数后，模型的
training
loss
会发⽣怎样的变化，这是之前标准的
scaling
law
的 说法。 但最终，其实最重要的指标，是场景的摩尔定律，有多少场景达到可⽤？它必须是指数上升的过程， 不能是线性的，每
n
个⽉翻⼀倍，就是指数上升的，不能再⽤传统
AI
的⽅式，每次加⼀个场景，每次 加⼀个数据，让它在这个场景上
work，那样的话就永远⽆法⽤指数的办法上升。
我觉得这个点是很关键的，

10-40%之间，如图 1 所示。 图 1 大模型（LLM）在编程上的应用及其生成代码的采纳率 在 2024 年，我们还看到了“AI 程序员”Devin 的诞生，Devin 能够独立完成复杂的编码和 调试任务、自主查找和修复代码库中的错误，构建和部署应用程序。在 SWE-bench 编码基准测 试中，Devin 能够解决 GitHub 中 13.86%的真实问题，有了很大提升。 说起 SWE-bench 编码基准测试（https://www 辅助分析部署失败问题、CI/CD 问题分析、AI 会议创建与管理等等，以提升协作 体验。 在另外一方面，我们也会有大量的其它 Chatbot 在不同的研发团队中使用，诸如于辅助平 台的使用、文档查找等等。 形态变化：从本地 AI IDE 到领域特定的智能代码生成 与通用性的 AI 辅助相比，领域特定的 AI 辅助效果更好，因为它更了解领域的特点，更容易 生成符合领域规范的代码。从智能代码

务之间的连接和协同，持续提升业务创新和数字化转型 能力的技术产品和方法体系。 业务中台解决方案 25 SOLUTIONS 方案价值 方案特色 提升数据服务效率 可实现需求交付速度、数据查找效率、数据查询能力的三重提升。 提升数据质量 实现任务数据零延迟、大幅减少研发 BUG 数量，并完成数据指标口径 的统一。 降低数据服务成本 可大幅度节约业务成本，提升整体研发业务价值。 保障业务数据安全

务型产业场景，解决真实产业问题。 2023 年 6 月，百度智能云推出了基于大模型的 “Comate”代码助手。 借助文心大模型的理解、推理能力，“Comate” 可实现代码的快速补齐、自然语言推荐代码、 自动查找代码错误，全面提升开发者研发效率。 谷歌官宣 ChatGPT 竞品：Bard 2023 年 4 月，陈天奇团队(MLC)发布了一个可将大型语言模型和基于 LLM 的聊天机器人引入 Web 浏览器的项目：Web